大型語言模型的解釋公平性：跨人口統計群組決策說明的差異實證分析

Explanation Fairness in Large Language Models: An Empirical Analysis of Disparities in How LLMs Justify Decisions Across Demographic Groups

arXiv cs.CL · 2026-05-12

摘要

研究團隊針對 LLM 在解釋決策時的公平性問題進行深入分析，發現不同人口統計背景的使用者可能收到品質、深度與語氣差異極大的解釋。團隊開發了「解釋公平性分類法」框架，涵蓋五個可量化維度，並在招聘、醫療分診、信用評估與法律判決等四大決策領域，針對 GPT-4.1、Claude Sonnet 等五款主流 LLM 進行實驗驗證。

●開發者：需關注 LLM 部署時的解釋偏差問題，在設計決策系統時納入公平性檢測

●投資人：AI 公平性與可信度成為企業應用風險評估的關鍵指標

●一般用戶：未來申請貸款或面試時，收到的 AI 決策說明品質可能因身份差異而有顯著落差

重要性評分

76/100

🟠 值得關注

LLM公平性AI解釋性決策偏差

原文出處

上一則← OpenAI 推出 DeployCo 協助企業將先進 AI 落地應用下一則金融部門正經歷 AI 技術的「無聲革命」，員工已在實際應用 ... →

喜歡這篇？每天早晨還有更多。

訂閱 5min AI，讓 AI 替你追蹤整個 AI 世界。